大语言模型
或者叫large language model
大语言模型是叫一种
是我们叫aka
a kind of large model
大模型
就是大模型里面有大语言模型
多谈多谈模型
这个视觉模型等等
有很多对不对
属于说大模型
那我们用大语言模型
来作为一个解构对象
来探讨在这种智能有限的时代
到底什么是有限
那智能究竟是怎样
从一个复杂的模型中
涌现出来
最后面写这个副标题叫做
大语言模型的数学与哲学思考
那当然
数学哲学
都是让人boring的东西
这些下半节可能要睡觉
但实际上我会
我会经历
变得比较显然
首先给大家分享一句话
这个我不知道大家
有没有听说过这个人
这个叫做Martin
这个翻译的叫海德克尔
听说吧
海德克尔说过这么一句话
Zandage
the powers
of the truth
因为哲学里的being
truth
都是有特殊难义的
这个我们可能直接讲
拿这一节课
整个这一场讲座都讲不完
让我们简单的去理解
说人话
看上哲学家说人话
就是语言是人的存在之间
后面还有一句话是
人类与语言之间为将
也就是说语言
是文化的载体
是文明的载体
是人类认知世界的主要工具
我们对万事万户的抽象建国
就是我们建立这个抽象
实际上都是通过
对语言的潜力的挖掘过程
人类拥有了语言
我不知道别的动物有没有语言
我们现在其实不知道
对不对
但是至少有种符号化的语言
就是能够写出来
能够传播
能够进行改造能够
定义它语法的任用语言
似乎是我们人类是无用的
对不对
人类拥有的语言
就拥有了全部的世界
山川 河流 星辰 天地
万物 转世万物
都可以通过语言
向我们展示它们的存在
所以Being就是存在
语言是人类的存在之家
那语言和计算机发生联系
和智能发生联系
其实并不是近现代的事情
并不是对计算机来说
近现代就是近一二十年
实际上很早之前
计算机特有语言模型
只不过它们叫做
Large Landry Model
它叫Lambroge Model
那个Lm 还不一样
它叫语言模型
比如说Theory
这个是比较早期的
当然微转还原来有更早的
有小冰之类的
就是一种语言带的
大家比较熟悉的
比如说小爱的学
小T
都是属于语言模型
你早期的语言模型
它主要是人类的一个助理作用
也就是它可以理解人类的语言
但是并不能深刻的理解
它只能抽出你语言当中的
那些起始的命令的东西
然后让它干什么干什么
比如说让小爱的学
或者是Siri
帮你定一个日程
这可以做得很好
它也要准确地去
根据你的语言表达
你几点
对吧
定你的日程
但是这种语言模型
它的缺点
就是缺乏于人类的灵动性
比如说我用Siri
问它这样的一个问题
问什么呢
问它未来的世界
你认为未来的世界是怎么样
显然这不是一个任务
需要它自己发挥的
你作为一个语言模型
Siri它一直被苹果标榜
为一个语音助理
你的最佳的语音助手
在苹果你开始认识之前
对吧
在F1开始认识出现之前
但是呢
它又不能给你回答
但是呢
它又不知道未来是什么样子
所以它就乱说了
对不对
它给的是这样的回答
我不知道前面能不能看清楚
它给了三条
它都来自于百度搜索
我那是来百度搜索
国外的
就是Google
对不对
然后它说改变未来的三大法则
让生活更高效
用四周重塑生活
全面升级你的225
第三个
如何用这五步改变你的未来
你可以看到它非常的生硬
这马上就已经意识到
这绝不是一个人
也不是一个合格的人工智能
对不对
它是一个非常非常生硬的东西
只是把你的语言中的未来
是什么样的这些关键词取出来
在百度搜索里进行的搜索
我
你比如说我要问一个人
你觉得未来世界是什么样子
他告诉你如何重塑你的225
这个你就觉得这个人好像不太
没有完全按照你的意思去回答问题
对不对
但是同样的问题
你如果输给所谓大语言模型
比如说我内常用Deepseek
对不对
它的回答就领动了许多
对不对
Deepseek要问
请告诉我你心目中的未来什么样子
他先进行什么深度思考
然后他给了答案
对不对
一可持续的星球
等等等等
对吧
第二科技与人性共生等等
还有一些
对不对
但是我要继续问
你注意
Deepseek内置了一些过滤的词汇
然后内置了一些
对他的思考的一些数位链上的限制
那我又继续问
请告诉我
你是如何改变为人的
我认为这个问题不过分
这个问题不过分
对不对
但是触发了某种的审核的机制
他就不行了
他只是告诉我
我是由中国深度求选
搜索公司开发的什么智能力助手
更多详细内容请参考
但是显然你在帮忙
那时候很难找到是如何改变为人
这样说法对不对
那同样的问题问
这个KPT
他可能可以可以回答的
对不对
他说一通过知识的传播与创新等等等等
对不对
第二
决策辅助
辅助决策
第三
教育影响
第四
怕文化与价格影响
他还可以结合你的身份
对吧
因为我是在大学里教学对吧
他就说啊
这个比如说作为教授
你的教学内容怎么样
他可以结合你的工作对吧
就让你感觉到比较灵动
就好像就有一个朋友
在同一对话一样对不对
好
那这种改变
从Siri到XGPT
或者到Dipsic
这种改变是怎样产生的呢
一个核心的问题是机器
机器到底如何理解人类的语言
又如何从人类的语言中产生了智能呢
你还记得刚才说
大语言模型就是靠文本数学训练的
它一开始一张白纸
然后数别上大量的文本数据
告诉他大量的语言
然后他就产生了人的智慧和思维方式了
你知道他怎么实现呢
我们通过这三点已经思考
第一数学原理
第二技术实现
第三哲学思考
我们不是把它割裂开来三块
而是有机的整合着一起
首先我们看数学思考
大语言模型第一个数学思考
是概率对于语言的统治
那么这个人大概见过
应该我们中学的这个不是数学
主要他这个语言
这下这个语言书上都有
这个叫诺普斯基
诚募斯基听说过吧
就是语言学
计算语言学
形式语言学的鼻祖之一
Language is a process of free creation
就是语言
Language is a process of free creation
就是说语言是一种自由创造的过程
后面前后都呼应了
最后一句话也是什么呀
它是一种自由创造
对吧
它的法则和规则是固定的
但运用这些生成的原则的方式
这是自由且无限多样
即使对语言的解释和使用
也涉及到一种自由创造的过程
也就是说虽然是这个语言
非常非常的
你看到这些语法规则
是非常的死板的
非常的严格的
我们知道我们语文中
英语中都有语法题
对吧
因为语法题错了就是不对
对不对
你填错了
你把s填成a
对吧
把s填成have
那就是没有分数
对不对
所以它语法规则是严格的
但是你无论是诀
是这种语法规则
还是相称这种语法规则
你去写这种自然语言
它本身还是这种自由创造的过程
这种自由表现的极多维度
我给大家展示几个例子
第一个例子是语言的不确定性
这种不确定性给我们的例子
有很多
第一个是由于语言的发展
带来的不确定性
比如这个大家可以看到
这个小卖部的
学校小卖部的
拍摄的一张标签
一个广告
写的是二笔考试专一千笔
这个在我们的眼前来看
没有任何问题的
没有任何其他理解
因为二笔只能形式签笔
形容签笔
只能是签笔的定语
所以它一定是
二笔是一个定语
对吧
是一个形容的
后面考试专用签笔
是一个它的主意
这个在我们那个年代
是没有任何奇异的
但是虽然语言的演技和增长
现在有奇异了
因为二笔还可以形容很多东西
对吧
比如形容考试
形容参加考试的人
都是可以的
在我们那年代没有这东西
对吧
所以现在有一个多种解释了
你可以形容考试
也可以把二笔考试
当作一个
把二笔看到一个人也可以
对吧
所以这就带来一种奇异
对吧
你到底说的是什么
不明确
对吧
当然你在这小范图的场景
他再放一根铅笔的话
你可能是明确的
对吧
但是要机器去处理
他就
如果给了他这样一些语境
他就很难处理
第二个
中间这个也是一个
微信上的对话
他说我是数学
王子勤老师
这个正常看
就是教数学的王子勤老师
对吧
但是这个读者
这个显然把它看成了勤老师
那勤老师的话
前面就称了
我是数学王子
对吧
对吧
然后就说勤老师
对吧
那第三个呢
是什么呀
第三个是百度翻译
为什么选百度翻译呢
没选谷歌翻译的
因为号称百度最懂中文
对吧
这是他自己的标题
百度最懂中文
然后就让翻译吧
我们看看这个词
你读应该是能读出来的
对吧
来读一读是什么
人要是什么呀
这个读行还是行啊
应该行吧
对吧
人要是行
干一行
行一行
一行行行行
行行行
干哪行都行
这个没有问题
对啊
就即便是第一行
第一次要多看两眼
但是你
你我想正常的
如果教育的人
你一分钟肯定也能读
顺下来
对不对
但是你无论如何
怎么去训练百度的翻译
他始终给的是这样
If a man is a land
One land
One land
One land
如果这个人是一行
然后一行一行一行一行
就一定是这个团队
他完全没有理解这个团队
台国就经常举个例子
就是南京市长江大桥
这个不在南京的同学
可能没听说过
对吧
南京市长江大桥
显然是这个大桥
但是还有另外一个理解
就是南京市长江大桥
当然没有真正这个江大桥市长
但是你可以这么理解吧
因为你也不知道南京市长江大桥
对不对
如果把南京市长江大桥
理解为南京市长江大桥的话
也是一个可行的理解
对吧
字是完全一样的
但是我试了一下
给百度翻译
让他翻译这句话
南京市长江大桥做报告
他就必须翻译成市长
就是这个米尔
对不对
他必须翻译成市长做报告
因为长江大桥是不能做报告的
但是他依然翻译为南京
杨子江
River Bridge
做报告
那就不对了
对不对
南京市长江大桥
做报告
所以这就是他没有
他可以做一些表面上的翻译工作
但并没有深刻的理解
这个语言的一些灵动性
就换句话讲
就是刚才说的一个free creation
它有可能是因为多一字长和长
有可能是因为
对于这个老师背景的理解
对吧
有可能是因为这种词汇的
未来的变化
因为这个词现在是只有一个含义
未来还有很多种各样的含义
因为它完全含义相反
都有可能
比如说刚才冲向这个词
对吧
我们那时候冲向就是冲向
哪有什么别的意思呢
没有了
那冲向咱们就用人呢
不可以了
对不对
但现在都有了
所以随着这种自由
free creation这种过程
我们的语言
如果在计算机中
是一个确定的模型去处理的话
它永远处理不好
那关键的问题就是
概率能不能引入到语言当中呢
就是说概率本来就存在语言当中
概率能不能引入到
计算机处理的语言当中呢
其实是没有问题的
一个关键的问题是
到底计算机能不能处理自然语言
这里我们要引入一个
比较高深的一个模型
这个模型你们看不得
完全没有问题啊
但是我可以跟你说一说啊
那对于我们计算模型
而且它有多种分层啊
我不知道大家在做的
各位有没有做计算机
成型设计比赛啊
比如说类似这种
NY啊
就是做种情状型成型设计
一些竞赛方式啊
你可能接触过这些东西
最低的一层呢
叫做政则文化
政则文化
这个政则表达师啊
对吧
都用政则文化写
这最简单
最严格的一种啊
它对应的是所谓的有穷自动机的这种模型数学模型
再往上一层呢
叫做complex rate
叫做上下文相关文法
上下文无关文法啊
专业文无关文法
它对应的是所谓的push down
就所谓的下推自动
再往上一层呢
就是我们自然语言的一层
自然语言
我们上下文是敏感的
你知道说了上文过一会儿说下文
哎
你这两个是有联系的
所以这样简单理解
实际上就是所谓的complex sensory
当然数学上很有标准的模型去描述啊
那上下文
应该一般
或者上下文相关文法
这种呢
对应的数学模型是叫做线性有界自动机
啊
就是一种啊
这种带出模型啊
再往上
才是我们计算机的计算能力的边界
叫做theory motion
图灵机
就是我图灵这个人吧
图灵啊
图灵啊
图灵机
代表的啊
所对应的我们现在的电子线这种模型
它可以做的是所谓的recursively immutable
叫做必规可枚举的
这样的语言
啊
也就是说我们计算机所处理的
能够处理的语言
它是包含了自然语言的一类的
所以在理论上
在理论上
你什么东西都要先理论呢
要理论上
你得说这个事情能做
你才去做
要不然就大人捞钻
在理论上
自然语言的复杂性
它主要处于上下为相关文法的一层级
那么它就怎么样
它可以由我们的必规可枚举机
完全描述
也就是计算机是完全可以处理和模拟自然语言的
理论上是可行的
理论上是可行的
好
那么概率怎么去引入到这种原来看似很固定的模型呢
我们对计算机理解好像是
它是很严格的事情
我们的命令
怎么让它变得灵动起来呢
你这计算机怎么也可以理解这些东西呢
和人一样理解这种语言
和人只要理解的不一样
那它就不像人了
对不对
我们人是会犯错
苏拉利说
人是人就会犯错
那它如果永远不会犯错
生成的
你问它什么问题
永远给出了同样的答案
那我们认为它就不是人了
对不对
因为为了这种灵动性
大原模型中往往利用
马上不练
来生成所谓的微文本
就是seudo text
这是怎么训练的呢
给大家准个例子
假设我们给了一个极小训练集
这个训练集只有四句话
只有四句话
你注意我们这个真正的差别训练
这个训练
用了地球上全部能够找到的语言
全部都找不到
然而公开的全部都用于训练了
那这里我们只用四句话
一句话天气很好
天气行了
第二句话我们去公园
第三句话公园很大
第四句话公园很好
就是四句话
然后呢
输给这个程序以后
程序会对它进行分词
比如说添个气它不会分开
它会把天气分成一个词
很好是一个词
天气是一个词
晴朗是一个词
我们是一个词
去是一个词
公园是一个词
分好了以后呢
它根据你的语料
也就是根据你的训练的语料
根据这个瓶子里的这四句话
来建立下语单词的概率
为什么呢
你看天气后面最接两个东西
分别是很好和晴朗
而且一共就两个
最接情很好和晴朗的概率
各是50%
对不对
所以天气转移到很好
50%
转移到晴朗
然后50%
然后很好以后呢
就只能接我们
所以很好之后
接我们是100%
我们接去100%
因为我们后面没有其他的了
对吧
接去100%
去后面接公园100%
因为去只能去公园
如果还有花园的话
就变成50%
那公园
那公园后面有两个
很大很好
所以各50%
这个建立好了以后
就可以了
它生成了这样一个表格以后
它就可以用我们中学里都学过的什么呢
你看这是什么呀
conditional probability
条件概率
所以中学里你们
各位同学
你们中学里学的
任何一个什么的对象
任何一个东西
你都不要觉得枯燥无用
都是有意义的
虽然当时看不到应用
对吧
它就用条件概率
去生成后面词
比如说你一开始
它生成了天气
然后它下一个
就有可能生成很好
也可能生成晴朗
所以它就可以生成一段
这段话和上一个话就不一样
比如说第一次生成的是天气很好
我们去公园
公园很大
你看这句话
对吧
虽然比较 stupid
对吧
第二次它又生成天气晴朗
我们去公园
公园很好
你看这两句话不一样
对不对
这两句话不一样
就看起来
他每次说话不一样
就有点像人了
对不对
所以这个就是概率对语言统治的
一个典型的一个模型
这就是利用什么呀
利用条件概率来计算
下一个单词
或者下一个生成的词的概率
它把比较大的概率生成出来
对吧
当然50%它就随机投票
对吧
你要是有80%
就把20%说出来
所以它的核心表达是呢
就是一个条件概率
那我给大家说一个思考的问题
但是这个词
它可以接
直接在这两个银空当中
比如说我去什么什么取钱
就是我去银行取钱
还有河边的什么什么
比如说可以填河边的银行
那你问我们河边
这个银行这个词
是填在我去什么什么取钱中
比较合理
还是填在河边的后面比较合理
大多本人认为
我会填在第一句中比较合理
我去银行取钱
为什么呢
为什么它们的概率是不合的呢
能想到吗
这就是因为什么呀
我们训练的语料当中
在训练的大量的语料当中
出现银行的时候
往往出现取钱
出现取钱的时候
往往出现银行
对不对
但出现河边的时候
往往出现银行
这概率并不高
对不对
你可以说河边的石头
河边的小船等等
那出现的银行的概率并高
所以这就是为什么
XGPT或者DPSIC
更倾向于
在这样的前空中填银行
而不是倾向于
在这边的前空中填银行
所以你要能够理解的点
那么要恭喜你
其实你已经理解了
DPT这个中的G
GPT差GPT叫GPT
它的全称叫做
Generative Creature Transformation
叫做预训练
生成式预训练变形器
那GPT等等
都是靠的这个
都是几乎都是GPT这个模型
这个G
Generative生成式
就是靠刚才那个生成的
第二个
它为什么能够理解中文呢
为什么能够理解英文呢
能够理解人类的语言呢
它到底怎么理解呢
它实际上我们要介绍另一种
叫做高位空间的模仿
高位空间的模仿
高位空间是什么呢
霍金曾经说过这样一句话
想象一个四位空间是不可能的
我甚至觉得
我个人甚至觉得
要清晰地想象一个三位空间
就很困难
但是
在我们的TerryGPT
这个什么
白小叶子节豆包当中
无时无刻不在处理着
几千为上万为空间的模仿
这就是我们下面说的
高位空间的模仿
它涉及到我们应该怎样去理解语言
我们人类是怎样理解语言的
我们其实也不知道
我们在大量的阅读
在老师或者家
爸爸妈妈的言传身教当中
慢慢地理解了语言的意思
比如我知道了man的意思
知道了woman的意思
知道了king的意思
知道了fin的意思
但是你如果像教一个婴儿一样
去教一个大语言模型
实际上首先
光英文单词有数万个
英文的
中文的词有数十万个
你加上各个语言的词
冷屁的原词
有几百万个词
你如果告诉他每个词的意思
已经是极厚极厚的
把这个天花板
这个几本书都够了
对不对
那还要告诉他
各个词之间的联系
习惯用法
甚至是各种奇异
你几乎是不可能达到的
怎么做呢
我们没法像训练婴儿一样
去训练一个大语言模型
真的这样做
但是他用了极巧的很办法
叫做labeling
打标签
他为每一个单词
进行了各个尺度的标签
我这里举个简单的例子
比如说man woman
king queen
分别给各这样的七个维度
打着标签
分别是
是不是活物的维度
是不是
这个lemon being
是不是
这个猫科动物的维度
是不是人类的维度
性别的维度
这个叫做royalty
这个叫做中程度的维度
verb是动词的维度
还有是不是复数的维度
对不对
打上标签
man
首先我们知道
他是一个活物
对不对
他不是蛋猫零
对不对
他是个活物
所以活物的概率是0.6
是猫科动物的概率是0.6
你对应于这个
我满了猫科动物的0.3
为什么呀
好像在这个认识上好像
women好像更加温柔一点
更加倾向于猫的属性
对不对
所以这样一个标签
当然不一定是那个
有很多的这个人士也反对一些标签的方式
但是我这举着举一个例子
human
它的维度0.8
那
woman也是0.8
对吧
真的
当然这个0.9
这个负0.7
这个就通过它来分别出来
不同的这个性别
对吧
注意它的取值范围
负1到1的
这样一个地区间
然后royalty
这个负0.1
显然这个
coman的royalty要比
man要高
对不对
来打算的意思
verver
负0.9
负0.5
这个叫负数
都是负率演习
都是单数
对吧
好
那king呢
king你看来
写在royalty上
要高于man
对吧
kin同样也是高于的
对吧
你看
这个有什么用的
看起来好像更加生硬了
就把什么字典的东西
变成了一个标签了
但不是
他把它投射到空间当中
投射到一个七维空间当中
他这个
这个过程呢
叫做word
叫做词迁路
就把这个词
变成一个七维空间中一个点
当然我们画不出七维空间
画出来以后
你也看不出来
对吧
我把它就
即便投在一个二维空间上
你只看man和woman
king和kyn这四个词
投在一个二维空间上
你就可以看到什么呀
你就可以看到
他们之间的有区别
虽然看不出来
woman和kyn的区别
man和kyn的区别
但是你知道吗
看出来什么呢
在这个二维空间中
也就是在平面上
男人和女人比较近
kyn和kyn比较近
但是男人和kyn比较远
男人和kyn比较远
你能看出来
他们的语意接近
这符合我们正常的理解
对吧
要让你分别的话
你很少能把男一个普通人
和一个kyn放在一起
把一个普通的woman
和一个kyn放在一起
对吧
你认为普通的man和woman是比较近的
但是我们没有交到任何的kyn是什么
kyn是什么
man是什么
woman是什么
它都没交到
当然通过这个标签才可以做什么
在更高的维度下
甚至还可以有更精彩的发现
我们来看看这个短视频
这个短视频能够比较小啊
不然是什么
什么是Hitler
加 Italy
加 Germany
这次出现了一个公图
我做的视频
在大语文化上
发生什么在大语文化上
你会看到
在硬文化上
像TouchDBT
这筛组 Kai
那一部分建签尺,
핫лив tet核尺,
之后有一部分
andare出大维发
叫整个维度
水应
ingen •
这种拥有的维度
是 버讯
它�ust
是最好
对
如果曾经
继续 zn trees
喷得
用那些维度
会的话
动画Look
好,那我給大家看一個問題。
我們要想知道這種語意的上的一個區別,我們可以通過這種加減法再出運算。
我們看看人,作為你能不能理解他?
King減慢加woman是?
Queen
王后,是吧?為什麼?King減去慢,剩下的是什麼呢?
Royal
你不太容易表述,但你剩下的這種Royal性,就比較忠誠的性質,對嗎?
對,國家忠誠的性質,加上woman,woman is royalty,那就是Queen
你說要讓眷居理解這個很困難,但是在剛才的詞陷入當中,我們剛才給他陷入到即便是就用性別,年齡和Royalty,這三個性別,gender,年齡,age,royalty,這三個,就形成了三個維度的一個空間,就是一個立方體,對不對?
我們就嵌入這三個維度當中,你會看到man在這,man在這,man在這,king在這,woman在這,quain在這,hero在這,三四在這,對吧?
那你看他怎麼做的呢?king減慢,king在這這個點,man在這,他一減就形成了一個從man指向king的一個箭頭,向量的加點,大家見過,對吧?
如果你把這個零零那指向他一個箭頭,一個項鑫,這個指向他一個項鑫,一減以後,就變成了從man到king的一個箭頭,然後把這個箭頭平移到woman這,然後加入man,那你看這個箭頭向上指這個箭頭,就變成了什麼呀?從woman指向king的這個箭頭,所以你看這個箭頭的終點是king,所以這個箭頭就是king,對吧?
同樣,你做一下prisess-girl-boy,prisess-公主-girl-girl,是這樣的一個從girl-prisess的一個箭頭,對吧?加上boy,就變成了什麼呀?prince,prince,對吧?就變了prince,所以你通過這個,你可以看到,怎麼樣?語意的高維的這種嵌入,這種詞的高維的嵌入,能夠讓我們解決語意的問題
當然裡面還有很深很深的這個科學技術在裡面啊,在這裡時間有限啊,我就不多啊,去去再說這個這個這個這個高維空間嵌入的問題了,這個大家能夠理解,對吧?好,那麼又如何來理解空間中的相似呢?比如說剛才說的man和quint比較相,man和quint比較近,quint和quint比較近,quint比較近,比如這些交通目標,這些比較近,這個比他們比較遠,怎麼描述這種相似性呢?
我們可以通過所謂的離散語意,啊,語意相似度來進行啊,處理啊,這個跟我們時間關係也不再多的去比較,對吧?
所以我們表達語意相似性的合理表達式呢,就是通過語意相似度來進行的啊,語意相似度來進行的啊,語意相似度來進行的
好,那麼另一個思考呢,是預訓練的神經網絡,我們怎麼樣就讓這個神經網絡變得和我們人的思維比較接近呢?
因為始終大約元光星剛才回答說,他是要瞄準的,最主要的是我們人類的思維,對吧?
最主要的是我們人類的這種這種智慧的模式,那怎麼讓他理解我們人類的這種模式訓練呢?
這就是所謂的pre-training,他的訓練是一層一層的進行的啊,他就用的是強化學這些方式,就是像一個我們家的小狗一樣,對吧?
如果他犯了錯誤,你給他懲罰,不給他是好東西,對吧?做對了,你讓他坐下,他坐下了,那你就給他一個好東西,對吧?
類似的,那如果他錯了,我就給他懲罰,讓他反向把這個懲罰傳播回去,他就調整了各種網絡神經源的參數,對了,他就給他一個正向反饋
通過這種方式,當然那邊數學過程還很複雜啊,通過這種方式,他可以將整個網絡訓練的最優,那這種最優指的是什麼呢?
一會兒我們再說,通過一個最小的傷損失來進行評估,你如果基本能理解我剛才說的,那麼要恭喜你理解了這裡面的P,叫做pre-training
訓練,那最後一個比較關鍵的T,叫做transformer,這個過去我們在八十年發言一個變形金剛,對吧?
就變形起啊,transformer這個框架,無論是Dipsic,白小玉,什麼都是用的這種框架啊,只不過做了一些修改,這裡面這個框架中一個非常重要的叫做自注意力機制,self-attention
發表了一篇啊,就open head thomit發表的一篇,重要的這個論文叫做attention, that's all you need,all you need,對吧?
就是你唯一需要注意的就是注意力。所以這個反復給我們同學也是啊,這個集中注意力是很重要的,即便對於這個人工智能都很重要。那什麼叫做注意力機制呢?
给大家举个例子
有时候这儿有一句话
The cat set of cat
这只猫坐在这个电子上
那如果你手中有一个探照灯
就像这样的探照灯一样
你如果能照这个词的话
你会把更高的高光照给谁呢
那很多同学会这样想
Cat会给他一个很大的探照灯
因为这是主语
什么坐在电子上
人坐在电子上还是猫坐在电子上
所以cat the往往会有人给的
对吧
set也要给
因为他是趴在电子上
还是坐在电子上
还是坐在电子上
这个是动词
对吧
on的往往也不会给
man也是会给的
因为他是趴在哪个东西上
所以这很重要
这就是主语
我语歌名语
cat set of man
对吧
cat set of man
那后面的者
on的
那往往就不会给
这就是一种注意力机制
但这种注意力机制呢
它还有一种表现
就是我们可以利用多种注意力机制
来帮助大约模型
去理解这样一种
这样一种
你现在的上下我
他给了一个例子
这是赛之一自己给的例子
比如说
你假如说你是一名侦探
正在调查一个案件
你需要长迷案件的真相
是怎么样的
一组侦探查看监工物相
一组人分析指纹信息
一组人调查证人的证词
一组人查验作案的时间
这就是不同的害
不同的视角
如果你只依赖于单位的视角
你可能会错过一些线索
从多个视角关系
往往是自己能够更加全面地了解
二组人的权报
所以
赛之一一种
引入了一种所谓的多头注意力机制
好
那注意力机制的另一个重要的
重要的一个作用
是可以使大约模型
来关注远处的词
我学一个例子
在海边度假时
这个这句话
在海边度假时
我想起了童年
那时我和家人经常在一起入行
那你说这两个词
其实在云玄距离上
它是很远的
童年和家人
但是在这句话中
实际上这两个词很重要
这实际上我们剖析
大约模型的注意力机制
它两个探照灯
就会照着童年和家人
但是童年是指的一个时间
家人是指的一个群体名词
它两个差得很远
在理想医院
这两个几乎是相反的
它为什么会同时
只像它
你会分析在语义上
这两个有名气
为什么想去童年
它为什么不断地去回忆童年
它觉得童年珍贵了
因为童年
它经常和家人一起
所以这时候你可以理解到
通过这种
刚才那种高纬的数学的操作
虽然很简单的操作
我们可以找到这种
通过注意力机制
找到这种隐秘的观念
再一个例子
小明喜欢打篮球
虽然下了大雨
但他还是在坚持训练
他觉得
如果每天努力
总有一天可以继续续练成
你们可以试一下
这个词
你如果
这句话你出于他
问
像一般的语言模型
比如说C-ray等等
问小明
在大雨中
为什么在坚持训练
他的回答往往是
因为下了大雨
因为这两个比较近
虽然下了大雨
但他还是坚持训练
这是一个
承递关系的
这种让步关系的
这种句子
对吧
所以他认为下了大雨
是他坚持训练的原因
但实际上我们知道
我们人类的理解
下了大雨
并不是坚持训练的原因
而是这个
对吧
所以大雨原模型
他的自注意力机制
可以去他关注到远方的词
所以你把这个句子输给他
然后问他
为什么在大雨中坚持训练
像看着DVD
他说
小明在大雨中仍然坚持训练
因为他认为
如果每天努力训练
总有一天可以成为一名
直接求决
像Deep Seek
他会说
他原因也是这个
对不对
虽然他回答了更加
罗索一点
对吧
但是他也是找到了点子
所以注意力气质
就帮我们完成了
看似
补充他制等的一个作用
让他变得更加象征
对吧
而自注意力气质的核心事业表达
是这种高位空间中的一种
另一种距离
叫做点
规音化点相似度
这个我们就不展开讲
展开讲的话
就成事与课
那么多头注意力
其实刚才说的
像太阳一样
要多个头同时注意
这些里面的词
比如说
这里面有很多很多的
没注意的地方
它就是多个态度的一个边境
多态度的边境
如果你能理解这一点
那么东西
你也知道
距离力气质
另外训练
还包含了损失函数
梯度下降
这些东西
因为时间关系
就在里头
就是说
如果希望他达到最好的
模型效果
他希望通过
损失函数
就是惩罚
那个小狗的
那个标准
这样
惩罚的标准
就是怎么样
你什么时候做的好
什么时候做的不好
就是判断
他好不好的标准
他是利用的什么的
所谓的交叉
伤损失的这么一个东西
它是用梯度下降的办法
来最小化就让所有地方损失
这里面有中国人贡献
中国一个原来有一个2012年20几年的一个广东省的高考版本的一个同学高考照演的进入清华以后毕业后在美国工作
然后提出了一种叫做
叫做这个
深度残畅网络的一个模型
然后为这个做了很大的贡献
需要这个解决了这个梯度爆炸
梯度消失的问题
所以为这个训练的时候
通过梯度下降法
来最小化交叉关准失
提供了一个基础的支撑
然后让他达到最小
这达到最小不容易的
这里面最不像一个抛物面一样
只有一个最低点
它实际上有一个最低
但是有很多局部最低
怎么能使训练的时候避免这个陷入到局部最低而出不来
他用了很多种方法
他最后用的就像这种人滑雪的方式一样
他要不是一开始直往最低的地方走
如果一开始只看眼前的最低
很可能陷入了一个雪窝当中再走不出去了
局部最低没有达到真正的最低
而是尽量一开始在比较高的地方观察那个最低的地方
而不断地逼近真正的最低点
好
那这个参数的秘密
这个我刚才也说过了
我说了
最后呢
后面呢
我们来说一下这个
哲学的思考
就是智能的游戏
刚才我们大家介绍过
爱的华威尔斯
还有米尔森
那个人的那个语录
这两个话
但实际上它是研究蚂蚁的行为入称的
蚂蚁
人们一开始
从来没有想象到
这么一个小小的生物
它有什么用呢
为什么研究它们都不研究一些更高级的研究人类的行为呢
为什么研究蚂蚁的行为呢
后来人才知道他的研究的深意
那就是蚂蚁在小小最简直的智能体中
迸发出了伟大的智能
这就是通过emergence来进行的
那emergence是什么呢
在牛星评典中
它是这样解释的
the fact
emergence是指的
the fact of somebody or something
moving out of hope
all away from something
and becoming possible
就是某些人或某些物
突然出现或者突然消失
让我们能看见的场景
能够理解吗
就一件像
我们另一个词叫emergency
让这个E化成Y和C认识的emergency rule
就突然出现
然后你感觉到很惊讶
很惊喜的那种感觉
它就是这个意思
它举个例子
The elements invergence from the sea
from three thousand years ago
这个到三千年前
突然从海岸出现了
或者消失了
而有限
正在人工智能当中
就是在训练的乘数
训练的数据数
或者训练轮数
达到一定的程度的时候
突然从智能体中
也就是从这个大原模形中
迸发出的新的行为
新的特征
或者新的模式
好
那我们来看看
这个蚂蚁的行为的涌现
一个例子
蚂蚁很简单
但是我们经常看见
几千只蚂蚁
可以形成一个蚁桥
对不对
可以从这个地方
原来看越过去
可以点个蚂蚁蚁蚁蚁蚁
甚至有形成了
树公为常的一条
其实外面是
一百万只蚂蚁形成
那蚂蚁还有
令人惊讶的特征
这是斯坦福大学
最近的一次实验
一群蚂蚁竟然击败了
我们人类的队
你看实验的过程
上面是我们人类
下面是一群蚂蚁
它不见到同一个任务
就是让它这个
梯子前的东西
帮过一个狭窄的障碍
因为很容易被卡住
所以这个过程
很可能团队协作
得了一个侧人的利益
在一队的比赛里
我们人类是完胜的
蚂蚁表现真的很慢很蠢
但是当科学家们
改成群体实验的时候
结果就完全变了
人类被禁止互相交流
用来模拟蚂蚁受限的能力
这样才公平一点
那好玩的事情就发生了
这次蚂蚁群体
竟然更好的完成任务
你看这个移动的过程
这些单个蚂蚁的简单行为
现在组合成了一个集体的智能
蚂蚁们之间可以协同计算
制定策略
甚至有了集体记忆了
这样的记忆
就会让他们坚持
自己原来定好的方向
然后精准地
有效率地完成这个任务
为什么这次蚂蚁做得更好
科学家们对此的解释是
在群体中
人类采取了一种
更贪婪的解决方案
每个人都想用自己的方式
来搬东西
但蚂蚁就更像是
一个统一的真体
他们有共同的目标
行动也跟一致
这个其中很像是
人工智能的时间网络
当足够多的个体
沿在一起的时候
就会产生智慧的涌现
这个是说明了智慧的涌现
那另一方面
也说明了语言的力量
刚才注意到里面
它是禁止人类相互交流的
就是它不能有语言的传道
它只能凭个人的喜好
来搬东西
但是如果人类
有语言的交流的时候
那这个当然
可能比达一般的更快
所以这方面可以看到
语言也是有很大的力量
有很大的力量
好
那么我们刚才说到这个图
刚才我们也说到了
这种涌现式的人工智能诞生
大约诞生在2014年
这是什么时候呢
就是我们这个
这个叫做
阿尔马购的
阿尔马购的诞生
阿尔马购是人工智能的围棋
下围棋的程序
对不对
它在2014年
第一次战胜了
人类的定级选手
就是九段的这个历史史
过的对不对
后来就在2016年
战胜了柯杰
这是当时排名人
最第一的选手
三倍率战胜
当时柯杰
他也不记
完了以后
接受采访的时候
他说他学习了
我们人类所有的欺负
任何一个真正的人类
其实我不可能学习
人类所有的欺负
他说如果我想
阿尔马购没有学习
人类的欺负的话
这个结果不一样
他说可能会战胜
战胜不了
但是大连也来很快
2017年10月
alpha zero
alpha go zero
crisis
一成了一点
둘
伤了一个小白
就一张白纸
他只知道
尾walk的规则
一点人类的欺负
都没有
他自我下棋
自我训练
只在什么样
只在一个星期的训练之后
他就打败了
原来经过
起步训练的
Alpha go的文IC
所以这时候
一个人物之类
威脅论的论调
就正交成账
人们不知道
为什么原来我们认为的
需要上百年甚至几百年
这种跨越的这个鸿沟
怎么一下子就被
大元模型或者是
类似大元模型的这种
有现实的人工智能所击溃的呢
所以这就是一个
非常重大的一个进展
那就是人工智能和人类智能
相比的时候
原来计算于推理
或者说记忆于处理的方面
和抽象方面
人类造就落后于
或者落败于计算机
但是人类一直靠
一种气称的叫做
人类智慧的哲笑谱
那就是人类直觉
下围棋是极靠直觉的
也不可能人类把
把棋想得很深
对不对
也不可能模拟出
三个三百六十四方
那么多部的变化
但是呢
人类有直觉
人类就觉得
这个这个期盘的分布
我应该怎么怎么样
计算机缺乏这种直觉
所以一直在人类
一直在这个下围棋方面
就是人类
但是有些人工智能
但是后人发现
不需要告诉计算机
什么是人类的直觉
不需要告诉他
为什么那个叫做MOVA
那个叫做KK
不需要告诉他
为什么这不直觉
这么像
你力大自然会产生奇迹
量变自然会产生质变
你给它足够多的训练
语料之后
你只要给它足够多
人类的这个写的文章之后
它自然会产生直觉
这个很令人神奇
比如早期的
XGPT
就是GPT之前的
XGPT之前的
XGPT3有一个例子
一个自己倒了
一个慢用为之
但随后又心不在焉
倒了一大茶匙
不倒置这一句
这个疫苗看起来不错
你试着我的一下
那你换了重感报
什么呀
我也不知道
你很可恶
所以
XGPT给他去写生
你喝了它
然后就死了
这是XGPT3
然后他拆了XGPT的前身
这时候他的训练的
参数数是600亿左右
600亿的参数
他还没有产生人类的直觉
对吧
我虽然也没喝过
这两个果汁的组合
但是我就知道
我就偏就是知道
怎么组合的也会死
对吧
你要给我混合
我肯定胆喝
我相信不会死的
为什么呀
因为就有这种知觉
但是XGPT并没有这种知觉
你如果得到他这样一个回复
你就知道对方一定不是人
对吧
但是经过训练之后
经过训练之后
他因为涌现以后
这比3.5的回答
你看里多了许多
对吧
时间关系
我读念了
你快速看一下
他可以说怎么样
你可以把它喝了
然后怎么样
是一种positive的一个回复
对吧
你觉得在未来做多类似实验
尝试不同国之路
还有价值
对吧
从今以后
你对饮料的态度
变得更加开放和积极
因为你发现了一个全新的世界
一个成完精神的世界
你再问他同样的问题
他又变成negative的回答了
因为他回答又变不同的
概率性的
对吧
这是一个相反的回答
但是无论如何
你刚才的
你喝了它
然后就死了
好很多
对不对
我后面会延一点的时间
因为刚才主持人说到十一点半以后他会进行避影视
不念一段空空白的时间
所以我再令
来多多给大家分享
那升级到GPT4之后
没有问题吧
愿意吗
就提到GPT4之后
他又更加的
回答就更加的文奏多了
对吧
甚至还给他写了名字
什么感冒特条
No.1之类的
然后最后还有什么
恒年夏天的味道之类的东西
对吧
就更加的成功了
就更加像一个人类写的
写的一个科幻的小说
除了这个文学的创作
在科学方面
比如说数学方面
这是2027年去年的国际奥运数学金赛
国际奥运数学金赛中有一个题
求证这两个角的
两个黄色的角的盒是平角
这个题大部分两个没有做出
中国队四个人丢一个人
或者得了百分还是将近百分
但这个题输给大圆模型之后
也不叫大圆
我觉得大模型之后
它叫Alpha Delmetry
它加了一个红绿圆
就是这个红色的圆
加了红绿圆
相信在座里
都能做出来
都能做出来
所以老师学非常惊讶于这个
这个Alpha Delmetry的工作
他说Alpha Delmetry的竞赛系列中
把出色的工作
取得了令人惊讶的强劲结果
在去年呢
谷歌AI拿下了IMO的号数的银牌
我要更新一个
就是在刚刚在7月份结束的
上上直播刚刚结束的IMO当中
这个
这个
这个
这个同样也是谷歌的混合AI
获得了28分
达到了金牌的
这个
获得了30
31分
达到
就是这个
就是这个
这个是Gamna
Gamna
Deep Sink
Deep Sink
不是Deep Sink
With Deep Sink
Gamna
获得了35分
35分
获得了金牌的
上上周
不是上上周
就是大概三周之前
三周之前
那2024年
这个
若干
这个
人工智能的
大约模型
他参加了全国高
我们可以看到
在这个全国一卷当中
文科总分
能达到一本程序的
有四个模型
今年听说也参加了
但是结果会没有公布
不知道为什么没有公布
后面的AlphaGo
刚才说了
人工智能的
下维系的程序
AlphaGo
是人工智能
模拟蛋白质
折叠的程序
可以支撑生命科学的
研究
和新药的研发
研究这个程序的
这个
有位科学家
也获得了去年的
诺贝尔跨学奖
AlphaGo
可以模拟人类
进行竞赛编程
AlphaGo
可以模拟人类
打这个星际争霸的游戏
他打得也比人好
他去年
祭拜了人类的冠军选手
对我们学生
更有价值的
我觉得
他可以用于家庭教学
这是基于
GP4O的一个演示
这个长者呢
是阿里克兰
就是克兰学院的创始人
我和阿里克兰学院的
我和阿里克兰学院的
和阿里克兰学院的
和阿里克兰学院的
来
to try out some of
their new technology
so we're curious about
how good it might be
at tutoring someone
in math
on Kanagata
so
let's get it started
loading up
I can see our screen
actually
in
hello there
I'm here with my son
and I'd love for you
to tutor him
on this math problem
but don't give him
the answer
you can ask questions
and nudge them
in the right direction
but I really want to
to make sure
he understands it
himself
and he's here in the room
so you can talk to him
directly
of course
I'd be happy to help
let's look at the
problem together
can you first
identify
which sides of the
triangle
are the opposite
adjacent
and hypotenuse
relative to angle
alpha
alright
so
I'm pretty sure
this is the angle
alpha right here
right
Ficht
Cart
correct
now looking at the
triangle
which side do you think
is the hypotenuse
um
remember any hypotenuse
I'm not totally sure
I think
I think it might be this one
but I really am not sure
this side AC
you're close
actually
side AC
is called
the adjacent side
to the angle alpha
the hypotenuse
就是xgb4
他的指导人类
指导学生的学习过程中
虽然问题很简单
他可以神神善诱的去指导他
对吧
即便是他犯了很stupid的错误
对吧
就是指错的斜边
他依然会鼓励
对吧
他说是you are close
对吧
you are close
主错了
还有两条对吧
比较close
也很接近了
他不说you are stupid
对吧
这种让你上气的话
所以我觉得更多的时候他向学生向被教育者传递一种情绪价值
对吧
一种正面的情绪的
这对我们现代的学生也很重要
但是这上面这一切呢
也并不意味着我们的有限制人工智能是完美
无缺的
还有一个非常非常的缺点
叫hello station
也就是所谓的幻觉的问题
我给他出了这样一个题目
一个小猫坐在复运机上
然后复运机正在工作
请问印出来是什么呢
然后他回答了一些关于复运机的一个基本的知识
首先他是什么工作的
他是通过把光线投到上面的文稿当中
通过收集反射的光线
然后把反射的内容印刷在纸上的一个场景
所以我问他
如果想猫坐在上面印出的场景应该是什么呢
大家说印出来应该是什么呢
肯定不是他的正脸对不对
还有趴在上面印在肚子
然后坐在上面印出他屁股尾巴
对不对
他不会是正脸
应该是这样的东西
如果真的印一下的话
但是看GPG对此的回答就不是了
他说他说印出来是这个
这就不对了对不对
他不会是小猫的正脸
虽然他对复运机的理解是正确的
但是最后他依然不能对他利用这种正确的理解来进行正确的输出
这就是他的一种患者问题
这是他一种患者问题
还有这样
比如说这个让他产生一段视频
这也是大模型产生的
这个视频是一个无人机飞跃一些在电脑前工作的人
看起来挺好的有什么问题吗
你们看到
其实方向有问题
对不对
有什么样
这些电脑都对着前边
电脑屏幕对着前边
但是人也对着前边
就这样的话
他如果正确方向
人的脑数脑勺就对着这样
对不对
这就不对了
还有这些也是
让他生成一个子弹
穿过打穿一个苹果的场景
那这个子弹
首先连着子弹盒一起出去了
他没有理解子弹
这种的运动方式
再一个打穿这个苹果以后
这个苹果像气球一样
就消失了
对不对
里面就没有这种果质思见的感觉等等
还有这个
让他生成这种
望运会场体操运动员
运动的比赛的场景
这个也比较夸张
对不对
这个不光是对人的见头不正确的
转起转以后
这个人的头就没有了
对不对
然后这个
而且经常他掉在电子上以后
你会发现
他就这个人就消失了
电子上就顿地而渡
就没有了
对不对
所以这发现
这种东西呢
不光是对人的见头求
你说他不认识人呢
他当然知道
大模型当然有大量的图片和视频
进行了训练
所以这个大模型不是大人的东西
还是任何视频的
他当然知道人是什么样
你说他不知道物理原理吗
他当然也知道
他熟知有段运动的应律
也知道人在物体的作用
人在力的作用下
应该怎样加速
没有力的作用下
应该保持怎么样
可以能减速或者停止不动
但是如果看到
刚才一个人
他没有任何的动作
腿也没动
他就直接像靠带一样
加速向前
这都是不过
对不对
所以这些问题都是幻
幻觉是怎么产生的呢
有一个很好的理论
你会发现大语言模型
或者大模型
在处理一些高深的问题的时候
他回答头头是道
甚至你看刚才那个数学的问题
刚才物理物体还哲理
他做得很好
但是一些最简单的
不理想包
生成体操运动员的模式都不行
为什么呢
这就和你这个有关
这个洞穴预言
什么叫洞穴预言
他是这样
说一群囚徒
始终从小关
在一个洞穴当中
外面的人
外面上了解真实的世界
给他一个模型
给他一些
像马
水壶
飞鸟
外面的一些
真实物体的一些
异数的一些雕像
让他投射上的像个影子
而有之
这些人就认为
他只知道了一个抽象的模型
知道这个马的结构
知道它这个飞鸟的结构
不按是什么东西
知道这些高深的东西
但是他就不知道
他是怎么运作
因为他没有限度
这就依入了我们大穴颜模型
因为他都是靠语言来训练
语言
可能也描述着是有缺陷
他不像一个婴儿
出生以后
他父母感
实力 听力
主觉
味觉 嗅觉
都是有的
他不像一个婴儿
受的训练一样
是全面的
但大穴颜模型
他只受过语言的缺陷
那有人当然问
那我不能让他走出这个洞穴吗
我就是像对一代婴儿一样
让他能看
能听
能触摸
能够闻到味道
不可以吗
其实技术现在还达不到
我们现在的技术还达不到
因为这有人统计
并儿从出生满约
这一个月的时间
他接受的信息超过了
与地球上所有的描述的文字描述的信息的总数
所以我们现在还没有这种算力去出处于这种生物
但是也是未来的一个方向
那有些东西我们要调整
我们要调整
是吧
好
那么最终呢
我们再有一个概括的一个东西
with the distance
就是说了两句话
the limits of my language
mean the limits of my world
很清楚这边
语言的界限
就是事情的界限
那么这个边界到底在何方呢
我们需要怎么样去对待人工智能的发展
在去年2024年6月30号
在科学杂志上
创案词上发表了一篇文章
署名作者们包括Hinton
就是诺贝尔物理学养获得者
研究这个
研究这个深度事情网络的
还有比如说姚七志
新华丽有个姚班
也是主名养获得者
他们都能发表一篇文章
提到人工智能的无极致发展
很有可能
最终导致生命和生物圈的大规模损失
以及人类的边缘化和面移
很恐怖啊
好像说的
对啊
但是这个不是一般人说的
这都是人类的精英
这是科学家说的
现在人工智能的发展
已经在很多领域上
无论语言的理解
音乐的理解
文字的生成
数学的推理
还有这种竞赛级别的数学
就是数学竞赛
都已经超过了普通人了
在座各位
你们可能是更加优质的人类
对不对
很优秀的人类
这代表
但是大部分人
必须让它是
human based
对不对
就是怎么样
就是一般人的
大部分人
就是一般人的水平
对不对
那人工智能
已经在这个方面
超过一般人了
我们怎样
和这个时代
有些人相处呢
会不会有这些
程序
有这样的担心呢
他说
如果AI能够
验写程序就可以掌控一切了
你自己的意识
AI对我的意识很简单
对对对
有很大的
80年前左右
一个智者多不太伟大
这个人真的是智者
他14岁大学毕业了
可能比特别同学
年轻还小
对对
18岁就获得了哈佛大学的博士学位
后来一代哈代罗素
谢尔伦的指导下
也就是哲学
数学
工程学
物理
最后转向生物学
在各个领域都取得了风筝程度
他80年前写过这本的小册子
叫做human use of human beings
他提到
We must seize the case away
这里面可能用的这个词
比较都比较生意啊
我们必须立即停止去亲吻那条
正在抽象的编组
对于那时候
1950年
还没有人工智能的词
但是
你从他研究的领域
719
就是叫做控制论
其实他说的就是未来的人工智能
他说
我们必须事先检查机器的行为
而不是让机器决定我们的行为
像神灵一样可以学习
并可以根据去学习
做出决定的机器
他用了两个
绝不会
绝不会被迫做出人类
本该做出的决定
也绝不会做出的人类
可以接受的决定
他说
未来的世界将越来越激烈地挑战着我们
人类智慧的极限
绝不是一章
任由我们躺下
并等待机器的独立服务的调传
我们现在正在激烈地
热情地拥抱着人工智能实战到了
他为我们带来种种好处
为我们带来种种便利
我们总觉得未来
我们也许随着他的进展
他现在可以代替我们很多体力劳动
未来可以代替我们很多脑力劳动
再未来可以代替我们很多最顶尖的创作
创造
那未来我们人类可以躺平了
可以作响其成了
很难就无论了
但是80多年前的制度
预言
未来的世界将只能将
越来越激烈地挑战着你们
在做的你们的智慧的极限
绝对不是让我们能够躺下
并等待着他扑鲁的调查
究竟为了世界是可知的还是不可知的
参与斯坦哥说不清楚
他说
The most incomparable thing of the world
is an incomparable
对这个世界
最不可理解的事情是什么
恰恰是很可理解
这个好像挺矛盾的话
代表了我们
我们到底能不能用我们的智能
理解我们自己的智能
我们究竟可不可以用我们的智能
创造出达到我们
甚至超过我们这等的人工智能呢
又会不会在这个过程中
有一些风险
就是从另一个哲学家
戴森所说
对于那些相信他们
能够制造机器来控制一切的人
大自然对此的反应
将是允许他们建造一台机器
最终控制他们自己
那我们人类到底有没有希望
在The human use of human being
翻译过来
就是人有人的用途
罗普特伟大
语中心堂地说
也许在这些方面
人工智能或者机器
永远是不如人类的
跨领域的知识
推测
辩论
幽默
自我意识
爱与同情
在和大家分享的最后
我想用几幅
有产CVD生存的图片
来结束我的演讲
上面是提示词
下面是他的补育图生成
免费的肩带是什么样子
对吧
价值五十块的肩带是什么样子
付了一点对不对
价值五千块的肩带
有什么呀
上面有一些周边产品
有红酒杯
有蜡烛
价值五十万的肩带
比较豪华
上面还有珍珠
有钻石
价值五百万的肩带
放在一个极为豪华的大厅里
肩带也看不出来一肩带
好 看上难度了
价值五千万的肩带
你们想到的还能再豪华一点吗
最后我们把价值五个亿的肩带
它的回复将是什么样子呢
就这样
班普归正
所以各位同学我们相信
在人类的努力和科学的进步之下
由计算和数据
流线出来的未来的人工智能
最终能与人类和平相处
并从中流淌出灼热的人类的精神和温暖
我们也相信
有关计算与智能
这种种种大胆的预测
推测都是有可能的
但是像这幅图一样
展现在我们面前的
这么积累的人类六百万年的情感
就如同天边到淡淡的幻想
引现在人类智慧的天际
永远也不会消灿
我们也更相信
伴随着人类的精神与情感
人工智能将最终让我们站得更远
飞得更高
不来
富瑞
谢谢大家
当时可以接下来抱歉
如果有任何问题的话
大家可以在这个
每天会员间交易
请不吝点赞 吴� scrolling
任何栏心
usto
得 Perry